Deep learning software-based holdover for PTP IEEE 1588 synchronization in 5G networks

dc.contributor.advisor1KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1596629769697284pt_BR
dc.creatorDUTRA, Rodrigo Gomes
dc.creator.Latteshttp://lattes.cnpq.br/9902720713572718pt_BR
dc.date.accessioned2025-01-14T14:10:15Z
dc.date.available2025-01-14T14:10:15Z
dc.date.issued2023-03-28
dc.description.abstractThis work proposes evaluates software-based algorithm mechanisms for maintaining the synchronization of a real-time clock in holdover operation when the timing reference input is unavailable. Three algorithms, Autoregressive Integrated Moving Average (ARIMA), long short term memory (LSTM), and Transformer networks, are implemented and trained using timestamps and temperature data acquired while the slave clock is locked to a master clock. When the slave clock loses its reference, the algorithm-based models take over and control the clock. The proposed method is evaluated on a testbed of IEEE 1588 Precision Time Protocol (PTP) clocks based on field-programmable gate arrays, where nanosecond-accurate timestamps are collected for offline analysis. The models are evaluated using two clocks, one cost-effective, cristal oscillator (XO), and one robust, oven controlled cristal oscillator (OCXO), in both constant and variable temperature scenarios. The results show that all algorithms can sustain clock synchronization accuracy within reasonable Time division duplex (TDD) synchronization limits over intervals of 1000 seconds in all temperature and clock scenarios, with the transformerbased holdover mechanism outperforming the statistical approach and LSTM network. This cost-effective software-based approach proves to be feasible for increasing clock accuracy during holdover operation and can be generalized to other holdover contexts, such as in a Global Navigation Satellite System (GNSS) scenario.pt_BR
dc.description.resumoEste trabalho propõe a avaliação de mecanismos baseados em algoritmos de software para manter a sincronização de um relógio em tempo real em operação de holdover, quando a entrada de referência de sincronização não está disponível. Três algoritmos, ARIMA, LSTM e redes de Transformer, foram implementados e treinados usando dados de carimbo de tempo e temperatura adquiridos enquanto o relógio escravo está sincronizado com um relógio mestre. Quando o relógio escravo perde sua referência, os modelos baseados em algoritmos assumem o controle e o mantém sincronizado. O método proposto foi avaliado em um teste de relógios de protocolo de tempo de precisão IEEE 1588 PTP baseados em uma bancada de testes baseada em FPGAs, onde timestamps precisos em nanossegundos foram coletados para análise offline. Os modelos foram avaliados usando dois tipos de relógios, um econômico, XO, e um robusto, OCXO, em cenários de temperatura constante e variável. Os resultados mostram que todos os algoritmos podem manter a precisão de sincronização do relógio dentro de limites dos requisitos de sincronização para comunicação TDD por intervalos de 1000 segundos em todos os cenários de temperatura e oscilador, sendo que o mecanismo de holdover baseado em redes Transformer superou a abordagem estatística e a rede LSTM. Esta abordagem de software de baixo custo é viável para aumentar a precisão do relógio durante a operação de holdover e pode ser generalizada para outros contextos de holdover, como em um cenário GNSSpt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.identifier.citationDUTRA, Rodrigo Gomes. Deep learning software-based holdover for PTP IEEEE 1588 synchronization in 5G networks. Orientador: Aldebaro Barreto da Rocha Klauta Júnior. 2023. 130 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2023. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/16717 . Acesso em:.pt_BR
dc.identifier.urihttps://repositorio.ufpa.br/jspui/handle/2011/16717
dc.languageengpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFPApt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.rightsAcesso Aberto*
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.source.uriDisponível na internet via correio eletrônico: bibliotecaitec@ufpa.brpt_BR
dc.subjectAprendizagem profundapt_BR
dc.subjectRedes de transformadorespt_BR
dc.subjectProtocolo de tempo de precisãopt_BR
dc.subjectDeep learningen
dc.subjectHoldoveren
dc.subjectTransformer networken
dc.subjectPrecision time protocolen
dc.subject.areadeconcentracaoTELECOMUNICAÇÕESpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOESpt_BR
dc.subject.linhadepesquisaPROCESSAMENTO DE SINAISpt_BR
dc.titleDeep learning software-based holdover for PTP IEEE 1588 synchronization in 5G networkspt_BR
dc.typeDissertaçãopt_BR

Arquivo(s)

Pacote Original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Dissertacao_DeepLearningSoftware.pdf
Tamanho:
6.75 MB
Formato:
Adobe Portable Document Format
Descrição:

Licença do Pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.85 KB
Formato:
Item-specific license agreed upon to submission
Descrição: